CN118074196A - 一种不稳定电源能量智能分配方法 - Google Patents

Abstract

本发明涉及配电***技术领域，具体涉及一种不稳定电源能量智能分配方法，该方法包括：构造各采样时刻的发电功率序列、稳压功率序列以及电池功率序列，得到各采样时刻对应的发电功率曲线、稳压功率曲线以及电池功率曲线；确定发电功率序列中每个采样时刻的曲线序列投影系数及曲线序列差异系数，进而确定各采样时刻的风电功率波动紊乱系数；计算各采样时刻的电场承载输出转化系数，以确定各采样时刻每次迭代时的自适应惯性权重；根据自适应惯性权重结合粒子群优化算法对不稳点电源风电场汇流站进行能量分配。本发明可实现对不稳定电源能量的合理分配，保持不稳定电源的***稳定性，提高不稳定电源的能量分配效率。

Description

一种不稳定电源能量智能分配方法

技术领域

本申请涉及配电***技术领域，具体涉及一种不稳定电源能量智能分配方法。

背景技术

电能是人们劳动生活中应用最广泛的能源，现在使用的电能主要来源于化石能源、水电、光电和风电等。其中由于光电和风电容易受到气象条件限制，不能提供人们需要的一个稳定电压和功率，通常被称为不稳定电源。如何充分利用不稳定电源的能量，一直是人们迫切需要解决的问题。

长期以来，不稳定电源的不稳定性，其能量需要通过开关稳压电路和蓄电池才能被电网间接使用。当不稳定电源输出功率大于电网最小限定功率时，开关稳压电路至断开状态，不稳定电源通过开关稳压电路与电网接通为电网提供电能；相反小于电网最小限定功率，开关稳压电路至闭合状态，将不满足电网需求的微弱电量存储到蓄电池中，并通过蓄电池向外放电。此外若不稳定电源的输出功率超过电网最大限定功率时，不稳定电源既为电网供电，也为蓄电池充电。但是电网最大最小限定功率与电网负荷、蓄电池蓄电量和不稳定电源输出功率有关，不合适的限定值容易造成电网电压波动和不稳定电源的能量利用率降低，由此需要优化算法调整，寻找到最优限定参数。但是使用传统粒子群优化（PSO）算法时，容易陷入局部最优解，难于接近全局最优点。

发明内容

为了解决上述技术问题，本发明提供一种不稳定电源能量智能分配方法，以解决现有的问题。

本发明的一种不稳定电源能量智能分配方法采用如下技术方案：

本发明一个实施例提供了一种不稳定电源能量智能分配方法，该方法包括以下步骤：

获取各采样时刻不稳定电源风电场汇流站、开关稳压电路以及蓄电池的输出功率，构造各采样时刻的发电功率序列、稳压功率序列以及电池功率序列，并分别拟合得到各采样时刻对应的发电功率曲线、稳压功率曲线以及电池功率曲线；

基于各采样时刻的发电功率曲线上输出功率的分布情况确定发电功率序列中每个采样时刻的曲线序列投影系数；基于各采样时刻的发电功率序列中每个采样时刻汇流站输出功率与发电功率曲线上输出功率的差异，确定发电功率序列中每个采样时刻的曲线序列差异系数；基于各采样时刻发电功率序列中的最大值和均值以及发电功率序列内所有采样时刻的曲线序列投影系数、曲线序列差异系数，确定各采样时刻的风电功率波动紊乱系数；基于各采样时刻的发电功率曲线、稳压功率曲线及电池功率曲线确定各采样时刻汇流站的实际发电量和实际输出电量；基于各采样时刻的发电功率序列中开始和结束时刻的蓄电池的SOC值确定各采样时刻蓄电池的存放电量；基于实际发电量、实际输出电量、存放电量和风电功率波动紊乱系数，结合各采样时刻的发电功率序列、稳压功率序列和电池功率序列之间的关系，确定各采样时刻的电场承载输出转化系数；基于各采样时刻的电场承载输出转化系数、粒子群优化算法的迭代次数以及发电功率序列的均值和方差，确定各采样时刻每次迭代时的自适应惯性权重；

根据自适应惯性权重结合粒子群优化算法对不稳点电源风电场汇流站进行能量分配。

进一步地，所述构造各采样时刻的发电功率序列、稳压功率序列以及电池功率序列包括：

将各采样时刻之前多个采样时刻的风电场汇流站的输出功率组成各采样时刻的发电功率序列，针对开关稳压电路及蓄电池的输出功率，采用发电功率序列的构造方法，获取各采样时刻的稳压功率序列及电池功率序列。

进一步地，所述基于各采样时刻的发电功率曲线上输出功率的分布情况确定发电功率序列中每个采样时刻的曲线序列投影系数，包括：

针对各采样时刻的发电功率序列，对发电功率序列进行拟合得到对应的发电功率曲线，截取发电功率曲线上各采样时刻与相邻下一采样时刻之间的曲线段；获取发电功率序列中各采样时刻与相邻下一采样时刻的输出功率连接组成的线段；

将各采样时刻与相邻下一采样时刻分别作为积分函数的下限和上限，对所述曲线段与线段的差值的绝对值进行积分，积分结果为发电功率序列中每个采样时刻的曲线序列投影系数。

进一步地，所述确定发电功率序列中每个采样时刻的曲线序列差异系数包括：

获取发电功率序列中每个采样时刻的输出功率与对应发电功率曲线上每个采样时刻的拟合值的差值的绝对值，将发电功率序列中每个采样时刻与相邻下一采样时刻的所述绝对值最小值，确定为发电功率序列中每个采样时刻的曲线序列差异系数。

进一步地，所述确定各采样时刻的风电功率波动紊乱系数包括：

获取各采样时刻的发电功率序列中除各采样时刻外的所有采样时刻的曲线序列投影系数与曲线序列差异系数的和值的平均值；

计算各采样时刻发电功率序列的最大值与均值的差值；

将所述平均值与所述差值的乘积的结果作为各采样时刻的风电功率波动紊乱系数。

进一步地，所述基于各采样时刻的发电功率曲线、稳压功率曲线及电池功率曲线确定各采样时刻汇流站的实际发电量和实际输出电量，包括：

统计各采样时刻发电功率序列对应的开始时刻和结束时刻，计算各采样时刻的发电功率曲线在所述开始时刻到结束时刻的积分结果，作为各采样时刻汇流站的实际发电量；

将各采样时刻的稳压功率序列和电池功率序列中对应位置求和后所有求和结果构造的序列，确定为和值序列，对于和值序列，采用实际发电量的计算方法，得到各采样时刻的实际输出电量。

进一步地，所述基于各采样时刻的发电功率序列中开始和结束时刻的蓄电池的SOC值确定各采样时刻蓄电池的存放电量，包括：

计算各采样时刻的发电功率序列中开始时刻和结束时刻蓄电池的SOC值之间的差值，并统计蓄电池的理论蓄电总量；

当所述差值大于等于0时，将所述差值与所述理论蓄电总量的乘积作为对应采样时刻蓄电池的存放电量；反之，将所述理论蓄电总量与所述差值的绝对值的比值作为对应采样时刻蓄电池的存放电量。

进一步地，所述确定各采样时刻的电场承载输出转化系数包括：

获取各采样时刻汇流站的实际输出电量与蓄电池的存放电量的累加和；

计算所述和值序列与各采样时刻的发电功率序列之间的DTW距离，获取各采样时刻汇流站的实际发电量与风电功率波动紊乱系数的乘积，计算所述乘积、所述DTW距离及大于零的数值三者的和值；

将所述累加和与所述和值的比值作为各采样时刻的电场承载输出转化系数。

进一步地，所述确定各采样时刻每次迭代时的自适应惯性权重包括：

分别获取各采样时刻的发电功率序列的均值、方差；

将各采样时刻的电场承载输出转化系数的相反数作为以自然常数为底数的指数函数的指数，获取所述方差与所述指数函数的计算结果的乘积，作为分子；

将采样时刻的每次迭代从数字1按照数值升序依次进行标号，获取迭代次数的标号与数字1的和值，计算以自然常数为底数的所述和值的对数，获取所述均值与所述对数的乘积加上预设大于零的数值的结果，作为分母；

将所述分子与分母的比值作为各采样时刻每次迭代时的自适应惯性权重。

进一步地，所述根据自适应惯性权重结合粒子群优化算法对不稳点电源风电场汇流站进行能量分配，包括：

将各采样时刻的汇流站、开关稳压电路和蓄电池的输出功率，以及蓄电池的SOC值和自适应惯性权重，作为粒子群优化算法的输入，得到各采样时刻最优的最大、最小限定功率；

若风电场汇流站输出功率低于最小限定功率，则仅对蓄电池进行充电，通过蓄电池对电网输送电量；

若风电场汇流站输出功率处于最小限定功率和最大限定功率之间，则通过开关稳压电路对电网输送电量；

若风电场汇流站输出功率高于最大限定功率，在蓄电池进行充电的同时通过开关稳压电路对电网输送电量。

本发明至少具有如下有益效果：

本发明通过对风电场汇流站的输出功率进行采集，构建发电功率序列和发电功率曲线，结合相邻采样时刻序列值与曲线的信息得到风电功率波动紊乱系数，反映当前采样时刻风电场发电的稳定程度；

同时本发明结合电网实际接收到的发电功率和蓄电池的SOC值，得到电场承载输出转化系数，反映当前采样时刻风电场的能源转换情况，最终根据发电功率序列的均值与方差得到每次迭代时的自适应惯性权重。解决了传统粒子群优化PSO算法中固定惯性权重容易陷入局部最优解，难于接近全局最优点的缺点，能够根据风电场发电的稳定程度对惯性权重进行自适应调整，输出最优的最大最小限定功率，由此实现风电场不稳定电源能源的智能分配，提高不稳定电源的能源利用率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明提供的一种不稳定电源能量智能分配方法的步骤流程图；

图2为各采样时刻最优的最大、最小限定功率提取流程示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种不稳定电源能量智能分配方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种不稳定电源能量智能分配方法的具体方案。

本发明一个实施例提供的一种不稳定电源能量智能分配方法，具体的，提供了如下的一种不稳定电源能量智能分配方法，请参阅图1，该方法包括以下步骤：

实施例1

本实施例以风力发电为例，风力发电的能源可以直接传输到电网中，也可以存储到蓄电池中，通过对风力发电汇流站能源的合理智能分配，提高不稳定电源利用率，并保证不稳定电源的稳定性。

步骤S001，通过功率传感器获取不稳定电源***中各个节点的功率信号，并进行数据预处理。

本实施例以某地风电场部署的风电机组为例，将多台风力发电机输出的电能通过集电线路输送到汇流站，通过风电场管理***实现对不稳定电源的分配。为了提高不稳定电源的能量利用率，实现能量的智能化分配。为此本实施例通过功率传感器获取汇流站的输出功率，用A表示，此为风力发电的输出能量，并且通过功率传感器获取开关稳压电路和蓄电池往电网的输出功率分别记为B和C，以及通过安时积分法获取蓄电池的SOC。其中安时积分法为公知技术，本实施例不再赘述。

为了获取风力发电***的实时数据，本实施例将功率传感器和蓄电池电荷状态的采样间隔设置为1s，以汇流站的输出功率为例，，其中a(i)表示第i个采样时刻汇流站输出功率，N^A表示采样时刻的总数（在风力发电机运行过程中进行不间断采样），A为汇流站所有采样时刻的输出功率组成的序列，记为输出功率序列。由于在传感器采集的过程中可能会存在数据缺失，为了降低缺失值对后续分析的影响，本实施例采用KNN最近邻算法进行填充。其中KNN最近邻算法为公知技术，本实施例不再赘述。

步骤S002，构建发电功率序列和发电功率曲线，利用发电功率序列中每个采样时刻的输出功率的差异与发电功率曲线得到风电功率波动紊乱系数，进一步结合开关稳压电路和蓄电池的输出功率以及蓄电池的SOC值得到电场承载输出转化系数，计算各次迭代的自适应惯性权重，通过粒子群优化算法获取最优的最大最小限定功率。

由于不稳定电源的发电量具有不稳定和不可控的特点，在实际过程中风电场的发电量如果高于电网需求且此时蓄电池已经存满的情况下，为了维持电网的稳定性往往会出现弃电的情况，同时当风电场发电量过小时，不能满足蓄电池的充电标准，为了保护蓄电池正常运行，会将这部分较小电量进行丢弃。此外开关稳压电路和蓄电池在能量转换时也需要消耗的一部分能量，其中开关稳压电路的效率一般为95%，而蓄电池的转换效率为85%。由此如何根据风电场发电量、蓄电池状态、电网负荷需求有效平衡最大最小限定功率，实现风电场不稳定能源的最大化有效利用。

传统粒子群优化算法PSO中，惯性权重控制粒子在搜索空间内的移动，决定了粒子的更新迭代中的速度。而传统PSO中常采用固定随机的惯性权重，并没有考虑数据的分布状态，由此容易使得优化结构陷入局部最优解，不能够有效平衡全局搜索和局部搜索的能力。由此本实施例根据汇流站、开关稳压电路和蓄电池的输出功率，以及电池的SOC状态，对PSO中的惯性权重进行动态调整，避免算法陷入局部最优解，提高算法的稳定性和鲁棒性。

由于风电场的发电量受风速等不可控因素的影响，使得风电场输出的电量具备一定的不稳定性，而风电场输出的稳定程度是影响不稳定电源***调整最大最小限定功率主要影响因素。因此针对风电场汇流站的输出功率序列A，以当前采样时刻为时间终点往前选取τ个采样时刻构建当前采样时刻的发电功率序列，用表示第i个采样时刻的发电功率序列，第i个采样时刻为发电功率序列中的结束时刻，本实施例设置τ=60。其中针对传感器采样初期，采样时刻不足τ时，采用线性插值法进行填充，将序列长度填充为τ。线性插值法为公知技术，本实施例不再赘述。

以第i个采样时刻的发电功率序列为例，将发电功率序列作为非线性最小二乘法的输入，拟合得到发电功率曲线，用/>表示，每个发电功率序列对应一个发电功率曲线。其中非线性最小二乘法为公知技术，本实施例不再赘述。并且将发电功率序列中相邻两个采样时刻的输出功率构建的线段用/>表示，k为第i个采样时刻的发电功率序列中第k个采样时刻。由此结合发电功率序列和发电功率曲线得到风电功率波动紊乱系数：

；

；

；

式中，α_k表示在发电功率序列中第k个采样时刻的曲线序列投影系数，k和k+1分别表示发电功率序列中第k个和第k+1个采样时刻，表示由第i个采样时刻对应的发电功率曲线中第k和第k+1采样时刻截取的曲线段，τ为序列长度，/>表示发电功率序列中第k个和第k+1个采样时刻对应输出功率组成的线段，d_t表示对时间t进行积分；

β_k表示发电功率序列中第k个采样时刻的曲线序列差异系数，min()表示计算其中的最小值，和/>分别表示由第i个采样时刻的发电功率序列中第k个和第k+1个采样时刻对应的输出功率，/>和/>分别表示由第i个采样时刻对应的发电功率曲线中第k个和第k+1个采样时刻的拟合值；

γ_i表示由第i个采样时刻的风电功率波动紊乱系数，max()表示计算序列中的最大值，由第i个采样时刻的发电功率序列，E()表示计算序列均值。

若风电场发电不稳定时，发电功率序列将出现较大的波动。此时发电功率曲线的拟合较差，导致曲线与序列相邻采样点连线所围成的封闭面积较大，得到曲线序列投影系数α_k的值较大。同时使得相邻两个采样时刻与发电功率曲线对应值的差值增大，使得曲线序列差异系数β_k的值增大。此外由于发电功率序列波动较大，由此发电功率序列的最大值与均值差值较大，最终使得风电功率波动紊乱系数γ_i的值较大。相反，若风电场发电稳定时，汇流站的输出功率较为一致波动较小，发电功率序列的发电功率曲线基本重合，最终使得风电功率波动紊乱系数γ_i的值减小。

通过风电功率波动紊乱系数γ能够衡量在单个采样时刻所确定短时间段内风电场发电的稳定情况，风电场发电的稳定程度对开关稳压电路和蓄电池的状态也将有一定程度的影响。由此为了进一步衡量风力发电稳定性以及对风电***的影响程度，将开关稳压电路和蓄电池输出功率，采用与发电功率序列同样方式构建稳压功率序列和电池功率序列，分别用和/>，同样拟合得到稳压功率曲线/>和电池功率曲线/>。由此得到电场承载输出转化系数：

;

;

;

;

式中，表示在第i个采样时刻汇流站的实际发电量，/>和/>分别表示由第i个采样时刻的发电功率序列对应的开始时刻与结束时刻，/>表示由第i个采样时刻对应的发电功率曲线，d_t表示对时间t进行积分；

表示在第i个采样时刻汇流站的实际输出电量，/>分别表示由第i个采样时刻对应的稳压功率曲线和电池功率曲线；

ε_i表示在第i个采样时刻蓄电池的存放电量，和/>分别表示由第i个采样时刻的发电功率序列中开始时刻和结束时刻蓄电池的SOC值，W表示蓄电池的理论蓄电总量，通过蓄电池规格表获取；

η_i表示第i个采样时刻的电场承载输出转化系数，、/>和/>分别表示由第i个采样时刻的发电功率序列、稳压功率序列和电池功率序列，/>为稳压功率序列和电池功率序列中对应位置求和后所构造的序列，DTW()表示计算序列的DTW距离，/>表示分母调节参数，根据经验设置/>。

若风电场整体发电不稳定时，使得发电功率序列存在较多异常的极大值和较小值不能被风电不稳定电源***转化而产生弃电的情况。通过将功率曲线进行积分得到发电量和实际输出电量，由于发电不稳定的波动导致弃电情况，使得此时得到风电场中实际发电量和实际输出电量/>的偏差值较大。同时结合电池蓄电量SOC得到电池的存放电量。虽然经过开关稳压电路和蓄电池的隔离作用，但是风电场发电量的不稳定也会造成汇流站实际输出功率产生不同于发电功率的波动，使得/>的值增大，最终导致电场承载输出转化系数η_i的值较小。相反，若风电场整体发电稳定，汇流站的输出功率仅通过开关稳压电路或蓄电池存放电输出到电网中，不存在弃电情况，此时的转化效率较大，即电场承载输出转化系数η_i的值较大。

通过电场承载输出转化系数η能够衡量在风电场实际发电量与实际输出电量之间的耦合关系。若发电越稳定，两者之间的耦合关系越好，电场承载输出转化系数η的值越大；相反，若发电越不稳定，两者之间的耦合关系越差，电场承载输出转化系数η的值越小。由此以此利用PSO算法实现对惯性权重的动态调整，实现利用风电不稳定电源***中的最大限定功率和最小限定功率对风电发电量的最优分配。结合电场承载输出转化系数，得到自适应惯性权重：

;

式中，表示在第i个采样时刻第d次迭代时的自适应惯性权重，/>由第i个采样时刻的发电功率序列，E()表示计算序列均值，σ()表示计算序列方差，exp()表示以自然数e为底的指数函数，η_i表示第i个采样时刻的电场承载输出转化系数，ln()表示以自然数e为底的对数函数，d表示粒子群优化算法中第d次迭代，/>表示分母调节参数，根据经验设置。

当风电场发电越不稳定时，发电功率序列方差与均值的比值越大，表明此时发电功率序列的变异系数越大，同时受发电功率序列波动的影响使得场承载输出转化系数η_i的值较小，最终使得惯性权重的初始值较大。由于序列波动起伏加大，因此要扩大粒子搜索的面积，更加考虑全局信息，便于找到全局最优解。相反若风电场发电稳定，得到惯性权重的初始值较小，此时采用较小的惯性权重有助于算法收敛，提高算法稳定性。同时随着迭代次数的增加，ln(1+d)的值增大，使得惯性权重随着迭代次数逐步减小，提高算法的稳定性和鲁棒性。

由此，本实施例将每个采样时刻的汇流站的输出功率、开关稳压电路和蓄电池的输出功率，以及电池的SOC值和自适应惯性权重，作为粒子群优化PSO算法的输入，本实施例中初始粒子数设置为30个，最大迭代次数为50次，本实施例中以发电厂最大化能效为目标函数，也即电网的实际接收电量与汇流站输出电量的比值作为目标函数，实施者可自行设定优化过程的目标函数，本实施例对此不做限制，粒子群优化PSO算法输出每个采样时刻最优的最大限定功率和最小化限定功率/>。其中粒子群优化PSO算法及优化过程为公知技术，本实施例不再赘述。各采样时刻的最优的最大限定功率及最小限定功率提取流程示意图具体如图2所示。

由此遍历每个采样时刻，能够得到最优的最大限定功率和最小限定功率，根据二者实现对风电场发电量的智能化分配，在提高蓄电池使用寿命的同时，提高风力发电不稳定电源能源利用率和输出稳定性。

步骤S003，基于最大、最小限定功率结合粒子群优化算法，对不稳定电源能量进行智能分配。

根据本实施例上述过程可获取各采样时刻的最大限定功率和最小限定功率，基于此对各采样时刻的风电场汇流站的能量进行合理分配，具体分配如下：

若风电场汇流站输出功率低于最小限定功率，则仅对蓄电池进行充电，通过蓄电池对电网输送电量；

若风电场汇流站输出功率处于最小限定功率和最大限定功率之间，则通过开关稳压电路对电网输送电量；

若风电场汇流站输出功率高于最大限定功率，在蓄电池进行充电的同时通过开关稳压电路对电网输送电量。

至此，采用本实施例上述方法及过程，可实现对不稳定电源能量的智能合理分配。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种不稳定电源能量智能分配方法，其特征在于，该方法包括以下步骤：

获取各采样时刻不稳定电源风电场汇流站、开关稳压电路以及蓄电池的输出功率，构造各采样时刻的发电功率序列、稳压功率序列以及电池功率序列，并分别拟合得到各采样时刻对应的发电功率曲线、稳压功率曲线以及电池功率曲线；

基于各采样时刻的发电功率曲线上输出功率的分布情况确定发电功率序列中每个采样时刻的曲线序列投影系数；基于各采样时刻的发电功率序列中每个采样时刻汇流站输出功率与发电功率曲线上输出功率的差异，确定发电功率序列中每个采样时刻的曲线序列差异系数；基于各采样时刻发电功率序列中的最大值和均值以及发电功率序列内所有采样时刻的曲线序列投影系数、曲线序列差异系数，确定各采样时刻的风电功率波动紊乱系数；基于各采样时刻的发电功率曲线、稳压功率曲线及电池功率曲线确定各采样时刻汇流站的实际发电量和实际输出电量；基于各采样时刻的发电功率序列中开始和结束时刻的蓄电池的SOC值确定各采样时刻蓄电池的存放电量；基于实际发电量、实际输出电量、存放电量和风电功率波动紊乱系数，结合各采样时刻的发电功率序列、稳压功率序列和电池功率序列之间的关系，确定各采样时刻的电场承载输出转化系数；基于各采样时刻的电场承载输出转化系数、粒子群优化算法的迭代次数以及发电功率序列的均值和方差，确定各采样时刻每次迭代时的自适应惯性权重；

根据自适应惯性权重结合粒子群优化算法对不稳点电源风电场汇流站进行能量分配。

2.如权利要求1所述的一种不稳定电源能量智能分配方法，其特征在于，所述构造各采样时刻的发电功率序列、稳压功率序列以及电池功率序列包括：

将各采样时刻之前多个采样时刻的风电场汇流站的输出功率组成各采样时刻的发电功率序列，针对开关稳压电路及蓄电池的输出功率，采用发电功率序列的构造方法，获取各采样时刻的稳压功率序列及电池功率序列。

3.如权利要求1所述的一种不稳定电源能量智能分配方法，其特征在于，所述基于各采样时刻的发电功率曲线上输出功率的分布情况确定发电功率序列中每个采样时刻的曲线序列投影系数，包括：

针对各采样时刻的发电功率序列，对发电功率序列进行拟合得到对应的发电功率曲线，截取发电功率曲线上各采样时刻与相邻下一采样时刻之间的曲线段；获取发电功率序列中各采样时刻与相邻下一采样时刻的输出功率连接组成的线段；

将各采样时刻与相邻下一采样时刻分别作为积分函数的下限和上限，对所述曲线段与线段的差值的绝对值进行积分，积分结果为发电功率序列中每个采样时刻的曲线序列投影系数。

4.如权利要求3所述的一种不稳定电源能量智能分配方法，其特征在于，所述确定发电功率序列中每个采样时刻的曲线序列差异系数包括：

获取发电功率序列中每个采样时刻的输出功率与对应发电功率曲线上每个采样时刻的拟合值的差值的绝对值，将发电功率序列中每个采样时刻与相邻下一采样时刻的所述绝对值最小值，确定为发电功率序列中每个采样时刻的曲线序列差异系数。

5.如权利要求1所述的一种不稳定电源能量智能分配方法，其特征在于，所述确定各采样时刻的风电功率波动紊乱系数包括：

获取各采样时刻的发电功率序列中除各采样时刻外的所有采样时刻的曲线序列投影系数与曲线序列差异系数的和值的平均值；

计算各采样时刻发电功率序列的最大值与均值的差值；

将所述平均值与所述差值的乘积的结果作为各采样时刻的风电功率波动紊乱系数。

6.如权利要求1所述的一种不稳定电源能量智能分配方法，其特征在于，所述基于各采样时刻的发电功率曲线、稳压功率曲线及电池功率曲线确定各采样时刻汇流站的实际发电量和实际输出电量，包括：

统计各采样时刻发电功率序列对应的开始时刻和结束时刻，计算各采样时刻的发电功率曲线在所述开始时刻到结束时刻的积分结果，作为各采样时刻汇流站的实际发电量；

将各采样时刻的稳压功率序列和电池功率序列中对应位置求和后所有求和结果构造的序列，确定为和值序列，对于和值序列，采用实际发电量的计算方法，得到各采样时刻的实际输出电量。

7.如权利要求1所述的一种不稳定电源能量智能分配方法，其特征在于，所述基于各采样时刻的发电功率序列中开始和结束时刻的蓄电池的SOC值确定各采样时刻蓄电池的存放电量，包括：

计算各采样时刻的发电功率序列中开始时刻和结束时刻蓄电池的SOC值之间的差值，并统计蓄电池的理论蓄电总量；

当所述差值大于等于0时，将所述差值与所述理论蓄电总量的乘积作为对应采样时刻蓄电池的存放电量；反之，将所述理论蓄电总量与所述差值的绝对值的比值作为对应采样时刻蓄电池的存放电量。

8.如权利要求6所述的一种不稳定电源能量智能分配方法，其特征在于，所述确定各采样时刻的电场承载输出转化系数包括：

获取各采样时刻汇流站的实际输出电量与蓄电池的存放电量的累加和；

计算所述和值序列与各采样时刻的发电功率序列之间的DTW距离，获取各采样时刻汇流站的实际发电量与风电功率波动紊乱系数的乘积，计算所述乘积、所述DTW距离及大于零的数值三者的和值；

将所述累加和与所述和值的比值作为各采样时刻的电场承载输出转化系数。

9.如权利要求1所述的一种不稳定电源能量智能分配方法，其特征在于，所述确定各采样时刻每次迭代时的自适应惯性权重包括：

分别获取各采样时刻的发电功率序列的均值、方差；

将各采样时刻的电场承载输出转化系数的相反数作为以自然常数为底数的指数函数的指数，获取所述方差与所述指数函数的计算结果的乘积，作为分子；

将采样时刻的每次迭代从数字1按照数值升序依次进行标号，获取迭代次数的标号与数字1的和值，计算以自然常数为底数的所述和值的对数，获取所述均值与所述对数的乘积加上预设大于零的数值的结果，作为分母；

将所述分子与分母的比值作为各采样时刻每次迭代时的自适应惯性权重。

10.如权利要求7所述的一种不稳定电源能量智能分配方法，其特征在于，所述根据自适应惯性权重结合粒子群优化算法对不稳点电源风电场汇流站进行能量分配，包括：

将各采样时刻的汇流站、开关稳压电路和蓄电池的输出功率，以及蓄电池的SOC值和自适应惯性权重，作为粒子群优化算法的输入，得到各采样时刻最优的最大、最小限定功率；

若风电场汇流站输出功率低于最小限定功率，则仅对蓄电池进行充电，通过蓄电池对电网输送电量；

若风电场汇流站输出功率处于最小限定功率和最大限定功率之间，则通过开关稳压电路对电网输送电量；

若风电场汇流站输出功率高于最大限定功率，在蓄电池进行充电的同时通过开关稳压电路对电网输送电量。